(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210374299.1 (22)申请日 2022.04.11 (71)申请人 北京市人工 影响天气中心 地址 100089 北京市海淀区紫竹院路4 4号 申请人 成都信息工程大学 (72)发明人 赵德龙　刘说　周嵬　肖伟　 杜远谋　盛久江　田平　王飞　 陈羿辰　黄梦宇　何晖　丁德平　 (74)专利代理 机构 成都拓荒者知识产权代理有 限公司 51254 专利代理师 聂臣欣 (51)Int.Cl. G06V 10/50(2022.01) G06V 10/762(2022.01) G06K 9/62(2022.01)G06T 7/60(2017.01) (54)发明名称 一种基于优化聚类的云微粒子数据处理方 法 (57)摘要 本发明涉及一种基于优化聚类的云微粒子 数据处理方法， 主要包括首先对云微粒子探测设 备采集的原始云微粒子图像数据进行数据集划 分和筛选， 然后对所有图像数据进行图像预聚类 方法处理， 接着对像素块图像数据进行像素块合 并及云微粒子区域进行提取， 通过该方法可对随 机筛选的云微粒子数据进行了基于多种像素块 尺寸参数和多种搜索范围参数的聚类处理， 对不 同采集时间段的原始云微粒子进行不同聚类处 理， 对云微粒子数据的不同聚类结果进行了基于 比值离散度的分析， 提高了云微粒子区域提取的 准确性和可靠性。 权利要求书3页 说明书5页 附图1页 CN 114758155 A 2022.07.15 CN 114758155 A 1.一种基于优化聚类的云微粒子数据处 理方法， 主 要包括以下步骤： 步骤1： 对云微粒子探测设备采集的原始云微粒子图像数据进行数据集划分， 得到原始 云微粒子图像数据组成的子数据集DN和随机原始云微粒子图像数据集RN， 其中， N为数据集 编号； 步骤2： 分别对步骤1所得的每个随机原始云微粒子图像数据集RN中的所有图像数据进 行图像预聚类方法处理， 通过设置不同的像素块尺寸参数和搜索范围参数， 生成不同预聚 类云微粒子图像数据集， 再根据不同预聚类云微粒子图像数据集中像素块直方图的统计分 布特征， 对不同像素块尺寸参数和搜索范围参数进行分析， 得到与每个RN对应的筛选后的 参数； 步骤3： 利用步骤2所得的与每个RN对应的筛选后的参数， 对相同编号N的子数据集DN进 行像素块处 理， 得到像素块图像数据； 步骤4： 对步骤3所得的所有像素块图像数据进行像素块合并， 然后对云微粒子区域进 行提取。 2.根据权利要求1所述的一种基于优化 聚类的云微粒子数据提取方法， 其特征在于， 所 述步骤1： 对云微粒子探测设备采集的原始云微粒子图像数据Dall进行数据集划分， 按照数 据采集时的温度层不同， 将原始云微粒子图像数据Dall分为n份， 得到n个原始云微粒子图像 数据组成的子数据集DN， 其中， N为原始云微粒子图像子数据集编号， N∈[1,n]， 再对每个子 数据集DN进行随机数据挑选， 从每个子数据集DN中随机挑选出m个原始云微粒子图像数据， m ∈[1,M]， m的取值在每次挑选时都是在其取值范围内随机的， M为各子数据集包含的图像数 据数量， 从而组成n个包含了m个原始云微粒子图像数据的随机原始云微粒子图像数据集 RN， 其中， N为随机原 始云微粒子图像数据集编号。 3.根据权利要求1所述的一种基于优化 聚类的云微粒子数据提取方法， 其特征在于， 步 骤2： 分别对步骤1所得的每个随机原始 云微粒子图像数据集RN中的所有图像数据进行图像 预聚类方法处 理， 包括： 步骤2.1： 读取RN中原始云微粒子图像数据尺寸， 并选取出其中更小的尺寸设为S， 设置 小、 中、 大的像素块尺寸参数ki＝αi·S， 其中i为整数， i∈[1,3]， αi为像素块尺寸权重， 设置 不同像素块尺寸对应的搜索范围参数fi＝β1·ki‑β2， 其中β1和β2为搜索范围加权； 步骤2.2： 对步骤2.1中的三种像素块尺寸参数和不同像素块尺寸对应的搜索范围参数 在其参数取值范围内进行随机取值， 对随机原始 云微粒子图像数据集RN分别进行基于三种 像素块尺寸参数和对应搜索范围参数的聚类处理， 生成分别包含小像素块、 中像素块、 大像 素块三种尺寸像素块的预聚类云微粒子图像数据集 RCN,i， 其中， 变量N为随机原始云微粒子 图像数据集编号， 变量 i表示像素块尺寸类型； 步骤2.3： 对步骤2.2所得的包含三种尺寸像素块的预聚类云微粒子图像数据集RCN,i， 生成其中所有像素块的直方图hN,i,Q， 其中， N为随机原始云微 粒子图像数据集编号， i表示像 素块尺寸类型， Q为数据集RCN,i中像素块的编号， Q∈[1,q]， 变量q为数据集RCN,i中像素块数 量； 步骤2.4： 对步骤2.3所得的所有直方图hN,i,Q， 设置阈值gv， 统计每个直方图中灰度值大 于等于gv的区域中的最大纵坐标值和小于gv的区域中的最大纵坐标值， 并计算两个最大纵 坐标值中较小值与较大值的比值RhN,i,Q；权　利　要　求　书 1/3 页 2 CN 114758155 A 2步骤2.5： 对步骤2.4所得的比值RhN,i,Q， 按照相同N,i划分到一起的规则进行分组， 得到 n·3组比值数据集， 每 个数据集包 含了q个比值RhN,i,Q； 步骤2.6： 对步骤2.5所得的n ·3组比值数据集进行分析， 对每组数据集中的q个比值 RhN,i,Q进行比值离散度的计算AhN,M,i,Q＝(RhN,i,Q‑1)2， 设置阈值th， 统计每组比值数据集中 比值离散度大于阈值th的数量和小于阈值th的数量， 并计算两个数量中较小值与较大值的 比值RhDN,i； 步骤2.7： 对步骤2.6所得的n ·3个比值RhDN,i， 按照相同N， 不同i划分到一起 的规则进 行分组， 得到n组比值数据集， 每 个数据集包 含了3个比值RhDN,i； 步骤2.8： 对 步骤2.7所得的n组比值数据集进行分析， 对每组数据集中的3个比值RhDN进 行比较， 选取其中最小的值记为mi n RhDN， 并记录得到该比值所对应的所有参数； 步骤2.9： 对 步骤2.2至2.8进行重复， 得到新的n个min  RhDN(d)， 并记录 得到该比值所对 应的所有参数， 变量d表示第几次重复， d＝[0,D]， D为重复次数； 步骤2.10： 对步骤2.9后所得的n ·(D+1)个min  RhDN(d)进行分析， 按照相同N， 不同d划 分到一起的规则进行分组， 选择出每组中最小min  RhDN(d)记为M inRhDN， 保存其对 应的所有 可变参数， 从而得到n个Mi nRhDN以及其对应的所有可变参数。 4.根据权利要求3所述的一种基于优化 聚类的云微粒子数据提取方法， 其特征在于， 步 骤3： 利用步骤2所得的与每个RN对应的筛选后的参数， 对相同编 号N的子数据集DN进行像素 块处理， 得到像素块图像数据： 步骤3.1： 将 步骤1得到的DN与步骤2得到的N个MinRhDN以及其对应的所有可变参数进行 匹配， 匹配规则为相同N的数据集DN与MinRhDN及其对应的所有可变参数进行关联匹配； 步骤3.2： 将步骤3.1所得 的关联匹配好的可变参数中的像素块尺寸参数ki＝αi·S， 搜 索范围参数 fi＝β1·ki‑β2应用到相应数据 集DN中的所有图像数据FN,j上， 得到对数据FN,j进 行特定像素块处理后的图像数据结果SFN,j， 其中变量N为原始云微粒子图像子数据集编号， j表示相同子数据集内的图像数据编号。 5.根据权利要求2所述的一种基于优化 聚类的云微粒子数据提取方法， 其特征在于， 所 述将原始云微粒子图像数据Dall分为n份， 其中n∈[1,24]。 6.根据权利要求3所述的一种基于优化 聚类的云微粒子数据提取方法， 其特征在于， 步 骤2.1： 设置小、 中、 大的像素块尺寸参数ki＝αi·S， 其中i为整数， i∈[1,3]， αi为像素块尺 寸权重， 其中α1∈[0.008， 0.012]， α2∈[0.02， 0.0 3]， α3∈[0.045， 0.0 55]。 7.根据权利要求3所述的一种基于优化 聚类的云微粒子数据提取方法， 其特征在于， 步 骤2.1： 设置不同像素块尺寸对应的搜索范 围参数fi＝β1·ki‑β2， 其中β1和β2为搜索范 围加 权， 其中β1∈[0.1,0.5]， β2∈[1,5]。 8.根据权利要求3所述的一种基于优化 聚类的云微粒子数据提取方法， 其特征在于， 步 骤2.4： 设置阈值gv， 统计每个直方图中灰度值大于等于gv的区域中的最大纵坐标值和小于 gv的区域中的最 大纵坐标值， 并计 算两个最大纵坐标值中较小值与较大值的比值RhN,i,Q， 其 中阈值gv∈[10 0,120]。 9.根据权利要求3所述的一种基于优化 聚类的云微粒子数据提取方法， 其特征在于， 步 骤2.6： 对每组数据集中的q个比值RhN,i,Q进行比值离散度的计算AhN,M,i,Q＝(RhN,i,Q‑1)2， 设 置阈值th， 其中 阈值th∈[0.5,0.6]。权　利　要　求　书 2/3 页 3 CN 114758155 A 3